本文由：CIO发展中心根据威马集团制造应用系统IT总监陈志强在“数据·驱动·创新——数据生态下的新能源汽车主题沙龙”演讲整理
2019年4月19日，由CIO发展中心汽车BOM联盟主办的“数据·驱动·创新——数据生态下的新能源汽车”主题沙龙在上海举行。活动中，威马汽车制造应用系统IT总监陈志强为参会嘉宾分享了威马汽车在智能制造领域的大数据应用及实践。与部分造车新势力企业选择代工模式不同，威马汽车坚持自建C2M客制化智能工厂，坚持自主管理供应链。他认为：智能制造的本质是以数据的自动流动化解复杂系统的不确定性，从而提高制造资源配置效率。生产制造系统与技术群深度融合后，通过技术群的“核聚变”推动制造新体系的重建，强大的数据收集能力、云计算能力、算法为汽车企业提供精准的描述、诊断、预测和决策，形成以数据驱动、软件定义、平台支撑、智能主导、服务增值的制造新体系。
威马汽车制造应用系统IT总监陈志强
威马汽车科技集团
威马汽车（WM Motor）来源于德语Weltmeister世界冠军的单词缩写，其创始人、董事长兼CEO 沈晖先生带领其团队，以传统汽车价值链积累为起点，通过创新的销售、运营，金融、服务信息，能源管理等价值链解决方案，作为智慧出行的方案提供商，致力于更好的产品和服务体验，改变人们的出行方式。目前已经在上海、德国，北京、成都等地设立了研发中心和分支机构，员工人数超过2000名。
自创立之初，威马汽车制定了明确的集团发展“三步走”战略，第一步，做智能电动汽车的普及者；第二步，成为数据驱动的智能硬件公司；第三步，成长为智慧出行新生态的服务商。
威马C2M介绍
威马C2M是客制化模式，用户可以通过电商平台在网上进行选配。目前威马C2M系统项目群已经全部落地，从C端开始，通过数字化营销手段，把用户引流到电商平台。在电商平台上，用户可以自定义汽车配置并随意组合。威马一款车型的配置，其排列组合超过一万种，当用户配置完成之后，在支付平台进行支付。
订单管理平台将订单驱动到BD-APS大数据高级智能排产平台进行实时排产。在订单生效后，智能排产平台考量现场的工艺限制、物料、排班，以及前面订单的生产状态，计算出车的下线时间并反馈给用户。
做C2M首要前提是要做超级BOM，如果BOM不支持C2M模式，就没有办法做到一车一单。一车一单是指在制造环节，每一台车的配置都可能不一样，需要通过一车一单操作指导的方式指导现场人员操作，区别前一台车和后一台车的配置不同，不会造成错装漏装，以及生产物流系统去识别每一台车的零部件用量，形成物料拉动，来支持现场生产。
上述C2M模型目前已经平稳运行8个月，从概念规划到落地，基本没有偏差。威马作为一家全新的公司，尤其是从业务到IT全是新人的情况下，C2M项目群从设计到落地，具有很高的难度。随着上述C2M模型的落地，我们也实现了从0到1的跨越。
数据驱动下的汽车新智造
在当前技术群“核聚变”的环境下，出现各种各样的新技术，比如微机电系统（MEMS）、物联网（IOT）、5G、人工智能（AI）、Digital Twin、Cloud、Edge Computing等等。实际上，在制造环节，唯一不缺的就是数据，在生产现场，机器、人员、业务、业务流等等都会产生大量的数据，这些数据需要一个平台进行汇集并计算，而且还需要开发出不同应用领域的算法，数据没有算法就是摆设，完成算法将数据可视化并呈现给业务运营部门，业务依据这些数据来进行预测，最终形成决策指导生产和运营。在这些过程中数据驱动最为关键。
现在都说数字化转型，其实在威马汽车并没有数字化转型的阶段，从公司建设之初到现在，借鉴各家主机厂成熟经验，直接通过数字化方式建设企业和系统，在这个过程中，有几点考量：
60%的客户的交互都是通过数字渠道和SMP网络。
增强价值网络，通过数字渠道的方式来洞察客户全生命周期的管理。
通过数字化更为深入了解客户，从而设计更符合需求的车型。
OTD链条数字化使得车企之间，车企上下游之间的衔接更加高效和顺畅，满足这个条件才有可能实现C2M，这也是最重要的一点。做C2M，没有上下游的合作是根本跑不动的，汽车是继手机之后的下一代的智能终端，具有独特的客户体验，汽车这样的生态环境会提供更多的可能。
未来汽车作为连接端，将会影响市场、销售和服务。首先，客户更愿意通过数字渠道结合经销商网络来做决策，驱动更多的个性化客户体验和持续服务。目前，威盟粉丝和会员共有60+万，威马汽车的设计、制造、销售和服务的很多政策都是由威马和会员及威盟粉丝一起商讨沟通的结果，所以说威马的服务政策会得到市场上用户的广泛认可。其次，在执行和操作层面，成本和风险管理依然是企业制造环节和运营环节非常关键的因素。再次，智能互联产品驱动力开发过程的创新，前提都是要通过数据进行驱动。
C2M带来的挑战：重塑成本、效率、质量体系。传统的B2C模式是以厂商为中心，卖什么买什么，封闭的链式生产，只有最终环节面向用户。而互联网模式的C2M是以用户为中心，买什么卖什么，用户在买车之前，车的配置以及智能化的操作在设计环节就与车企进行了深入的交流和参与。用户深度参与设计、生产、销售、服务等各个环节。
工业革命以来永恒不变的追求是：制造的高效率、高质量、低成本、高满意度。在任何环节都需要考虑：如何降低生产成本、如何提高生产效率、如何保证产品质量、如何提高客户满意度。在研发设计、物料采购，工艺优化、生产规划、制造执行以及整车交付等所有环节，都需要考虑成本、质量、效率，并围绕这三个要素最终实现车企内部的纵向集成和与用户、供应商之间的横向集成，并形成闭环，即工艺分解/工艺规划/运动仿真/公差仿真——智能排产/工艺路线——智能制造/OTD透明——交付策略/新零售——用户需求分析/协同研发平台——智能仓储/供应链协同。
智能制造的本质：以数据的自动流动化解复杂系统的不确定性，提高制造资源配置效率。从两个维度来讲：
1、产品线。从产品规划到概念设计，最终要实现工程设计、工程验证以及生产准备，到制造环节把车生产出来，到整车交付，再流到市场上，最后才有售后服务和客户运营。
2、订单环节。拿到整车订单后首先先生成生产计划，把生产计划的单车拆成物料，给到供应商进行物料采购，最终也是在制造环节把车生产出来。这条线都是为了整车的制造， 然后才形成交付。
在制造环节，集合了所有的人力，设备、物料，数据，出现任何问题，都会影响数据的准确性，都会导致制造无法进行下去。尤其是在C2M模式下，几乎每个产品都是个性化的情况下，如何去保证制造的平稳性呢？
在C2M过程当中碰到的问题有几个：
产品开发过程中，需要做更多的设计绘图，更多的物料清单和更多的工艺验证。
在订单计划过程中，订单计划锁定期非常短，主机厂一般锁定期为一周或者两周，锁定期越长，制造环节和供应链环节都越稳定；威马汽车订单是从电商平台实时接的真实订单，接到订单后立即排产，所以预测难度加大；需要处理较多的突变计划。
在物料采购环节，供应商的能力受到很大的挑战，我们的C2M一定是跟我们的上下游企业互联互通的。供应商能力挑战在于物料要随着主机厂的需求而产生变化，最主要的就是车的配置越多，物料的种类也越多，品类也越多，装配环节也更复杂。
在整成制造环节，制造体系要更加柔性，产品装配更加复杂，产品切换也更多。
在仓储配送环节，要满足灵活多变的库存供应，增加协调及处理成本，特殊零部件按需供应，仓储配送更加复杂。
在售后环节，面临更为多变的客户需求和更为复杂的交付环节。
这些环节的不确定性就是生产计划环节的牛鞭效应，计划锁定周期越短对我们下游影响越大，那威马是如何做的呢？
配置打散重组。销售部门需要将车的配置级预测下达给主机厂；主机厂基于当前未入库订单和预测订单，对预测数据进行滚动更新；主机厂基于超级BOM信息，需求的优先级等进行需求的打散和重组；主机厂拿到配置，根据工厂的产能限制、工艺限制和人员安排等因素进行多版本预测计划计算，生成中长期按天度预测的计划；再基于多版本的预测计划结果的对比及预测计划与生产计划的对比，分析并监控预测计划的偏离度。最终，预测结果会用来给供应商提前准备物料。所以说通过预测打散计算及整车计划重组，生成中长期的预测计划，用作提前准备物料，同时通过预测偏离度的分析，给业务提供数据参考。
通过预测数据来驱动决策。在此过程中会回答what-if的问题，通过数据图表的波动清晰展示各种计划的利弊，帮助用户决策，实现产销获利最大化。
配置切换和物料断点会对物料和计划下线日期产生什么影响？威马开发一套不同以往的断点方案，考虑物料的原整包装情况下做到单车级100%断点，极大的节省物料切换成本，这套方案目前已经落地并且实现。
预测需求波动对实际订单的计划下线日期会产生什么影响？对于配置层的预测打散重组之后，再对配置级的预测百分比调整重新计算，最后再把偏离度反馈给用户。
物料该到未到会对下线日期、产能利用率产生什么影响？该问题对于任何一个主机厂来说都有可能发生，对既定的限制日期和产能的利用也会产生影响，只要产线开始，就会消耗能源、人力等成本，因为物料没到而受到的损失是非常巨大的。
工艺限制的变化会对物料的供需和下线日期产生什么影响？比如新车型的试制，或者特殊的订单在制造环节对整个制造链条的限制是有影响的，所以开发这套算法需要考量很多因素，需求信息、车辆属性、物料信息、产能及工艺信息，以及最主要的现场情况实时反馈。
数据驱动：感知-分析-决策-执行。现场的情况要怎么反馈呢？现场情况包括工厂、设备以及生产线的状态。在基地我们通过工业大数据平台观察整个设备的运行趋势，状态感知下来，通过系统显性化数据，让用户可以看到想看的数组，结合自身经验判断分析，形成信息，并汇总成为知识，形成科学决策，最终精准执行。所有决策都需要落地，在这套数据驱动的模型下，对于现场的感知是实时的。
不同层级行动/决策的数据。生产班组长通过审查监控看板了解当天实时超节拍状态及热点问题，监看所有工位缺料和停线等状态；生产经理关注全生产线的状态以及生产热点；厂长和总监只需看数据可视化的生产绩效报告以及整个生产总结分析；维修工程师关注生产设备的状态以及错误信息分析，不同系统通过算法预测不同错误具体是由哪些原因导致的，通过观察数据的波动，来分析提前预知设备的运行故障。
数据湖平台的支撑。数据湖平台实现批量和实时的数据采集，中心湖区提供结构化和非结构化数据存储，Kafka Streaming提供流计算，借助第三方工具开发数据处理任务，如Hue、IDEA，或基于科学家工作平台CDSW，接下来就是进行数据引擎的查询，最后通过数据湖数据访问接口定制化开发数据展示给用户。
